英国国防部(MOD)已选择红帽公司为其整个系统架构设计统一的AI和混合云基础设施。今日宣布的这项协议旨在打破数据孤岛,加速AI模型从数据中心到战术边缘的部署。
对于首席信息官而言,这是从碎片化和项目特定的AI试点向更加平台工程化方法转变的一部分。通过在红帽基础设施上进行标准化,国防部旨在将其AI能力与底层硬件解耦,使算法能够一次开发并在任何地方部署——无论是本地、云端还是断开连接的现场设备。
国防数字铸造厂成为核心平台
该协议的重点是国防数字铸造厂,这是国防部的中央软件交付中心。铸造厂现在将为所有军种提供一致的MLOps环境,包括皇家海军、英国陆军和皇家空军。
这一举措的核心是红帽AI套件,其中包括红帽OpenShift AI。该平台解决了企业AI中一个常见的瓶颈:"推理差距"——即数据科学团队与运营基础设施之间的差距。
新协议将允许国防部开发者在单一平台上协作,为其特定任务需求选择最合适的AI模型和硬件加速器,而不会被锁定在单一供应商的生态系统中。
根据红帽的说法,这种标准化对于"大规模启用AI"至关重要。通过统一分散的努力,国防部打算减少经常困扰大型政府IT项目的重复问题。该平台支持优化推理,确保AI模型能够在军事环境中常见的受限硬件占用空间上高效运行。
英国国防部首席技术官Mivy James表示:"在AI时代,简化对红帽平台的访问对英国国防部变得更加重要,因为快速采用、复制良好实践以及扩展能力对战略优势至关重要。"
解决遗留系统集成挑战
国防现代化的一个主要障碍是遗留虚拟化工作负载与现代容器化AI应用程序的共存。该协议包括红帽OpenShift虚拟化,为现有系统提供"清晰的迁移路径"。这使国防部能够在同一控制平面上管理传统虚拟机和新的神经网络,以降低运营复杂性和成本。
国防部协议还整合了红帽Ansible自动化平台,以推动企业范围内的AI自动化。在AI环境中,自动化是治理的执行机制。它确保在模型重新训练和重新部署时,底层配置管理、安全编排和服务配置仍符合严格的国防标准。
安全与合规保障
在国防领域部署AI自然需要能够抵御复杂网络威胁的"一致安全足迹"。
红帽平台支持DevSecOps实践,将安全关卡直接集成到软件供应链中。这对于在集成来自批准第三方供应商的代码时维护可信软件血统特别相关,这些供应商现在可以将其交付成果与国防部标准化的红帽环境保持一致。
红帽英国和爱尔兰地区经理Joanna Hodgson评论道:"红帽提供灵活性和可扩展性,可以在他们选择的硬件上部署任何应用程序或任何AI模型——无论是本地、任何云端还是边缘——帮助英国国防部利用包括AI在内的最新技术。"
这次部署表明,AI成熟度正在从模型本身转向支撑它的基础设施。在国防等高风险环境中的成功,更少依赖于单个算法性能,而更多依赖于大规模可靠交付、更新和治理这些模型的能力。
Q&A
Q1:红帽为英国国防部提供的AI解决方案包括哪些核心组件?
A:红帽为英国国防部提供的解决方案核心包括红帽AI套件(含红帽OpenShift AI)、红帽OpenShift虚拟化和红帽Ansible自动化平台。这些组件能够统一AI和混合云基础设施,提供一致的MLOps环境,并实现从数据中心到战术边缘的AI模型部署。
Q2:国防数字铸造厂在这个项目中起什么作用?
A:国防数字铸造厂是英国国防部的中央软件交付中心,在该项目中将为包括皇家海军、英国陆军和皇家空军在内的所有军种提供统一的MLOps环境,成为AI模型开发和部署的核心平台。
Q3:这个AI平台如何解决遗留系统与现代AI应用的集成问题?
A:通过红帽OpenShift虚拟化,该平台为现有系统提供清晰的迁移路径,允许在同一控制平面上管理传统虚拟机和新的神经网络,从而降低运营复杂性和成本,实现遗留系统与现代容器化AI应用的顺利共存。
好文章,需要你的鼓励
2025年1月,OpenAI、软银、甲骨文和MGX联合宣布"星际之门"计划,承诺投资5000亿美元,部署高达10GW算力基础设施。如今,该项目已从白宫发布会上的宏大承诺,演变为一场前所未有规模的基础设施建设实验。项目已扩展至德克萨斯、威斯康星、俄亥俄等多地,并延伸至阿布扎比和挪威。然而,融资争议、合作伙伴摩擦、能源压力及政策监管收紧,正考验着这一"AI工业园"模式能否真正落地。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
加密货币交易所OKX正式推出AI智能体交易市场OKX AI,允许AI代理相互雇佣、自主结算,并建立基于区块链的可携带信誉档案。该平台经过50家早期服务商封测后向开发者开放,依托稳定币和链上支付基础设施,支持全天候微支付。OKX创始人徐明星表示,传统金融基础设施为人类而建,智能体经济需要为自主软件专门设计的基础设施。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。